Releasedatum och parameterantal

LFM2.5-2.6B släpptes 4 augusti 2026 . Det är en tät modell med 2,69B totala parametrar och 30 lager: 22 dubbelgrindade kortkonvolutionsblock och 8 lager med grupperad frågeuppmärksamhet (GQA), byggd på LFM2-hybridarkitekturen .

Huvudsakligt designfokus: Agentiska arbetsflöden på enheten

Modellen är specifikt byggd för att köra agentiska arbetsflöden helt på enheten — planering, verktygsanrop, webbsökning och utförande av flerstegsuppgifter — med data som aldrig lämnar enheten och utan extra kostnad per inferens . Den har inbyggt verktygsanrop och är tränad för att fungera tillförlitligt i verkliga agentramverk som Hermes Agent, OpenClaw och Pi .

Träningsdetaljer

• Förträning: Cirka 34 biljoner tokens .
• Ordförråd: 128K tokens (dubblerat jämfört med tidigare modeller för att bättre stödja icke-latinska skrifter och varierade agentinmatningar som verktygsscheman och filvägar) .
• Kontextfönster: 128K tokens (131 072), utökat via en dedikerad kontextutvidgningsfas under träningen .
• Fyrstegs efterträningspipeline :

Minnesfotavtryck och avkodningshastigheter

LFM2.5-2.6B körs i under 2,5 GB minne . Nedanstående avkodningshastigheter är leverantörsrapporterade siffror från Liquid AI:

Stödda inferensramverk

Modellen stöder llama.cpp (GGUF), MLX (Apple Silicon), vLLM, SGLang, ONNX och standard Transformers .

Tillgänglighet

Nedladdning med öppen vikt på Hugging Face under LiquidAI/LFM2.5-2.6B, med separata arkiv för GGUF-, MLX- och ONNX-kvantiserade format . Licensierad under LFM1.0-licensen för öppen vikt .

Företagsbakgrund: Avknoppning från MIT

Liquid AI grundades 2023 som en avknoppning från MIT CSAIL av Ramin Hasani (VD), Mathias Lechner (CTO), Alexander Amini (CSO) och Daniela Rus (MIT-professor och CSAIL-chef) . Företagets teknologi har vuxit fram ur forskning om flytande neurala nätverk vid MIT .

Begränsningar

LFM2.5-2.6B rekommenderas inte för agentisk kodning eller kunskapstunga uppgifter. På kodningsriktmärken har större modeller (t.ex. Qwen3.5-9B) ett övertag, och det officiella Hugging Face-kortet avråder från att använda den för sådana arbetsbelastningar . För komplex agentisk kodning eller djup kunskapsinhämtning är större modeller fortfarande att föredra .

Releasedatum och parameterantal

LFM2.5-2.6B släpptes 4 augusti 2026 . Det är en tät modell med 2,69B totala parametrar och 30 lager: 22 dubbelgrindade kortkonvolutionsblock och 8 lager med grupperad frågeuppmärksamhet (GQA), byggd på LFM2-hybridarkitekturen .

Huvudsakligt designfokus: Agentiska arbetsflöden på enheten

Modellen är specifikt byggd för att köra agentiska arbetsflöden helt på enheten — planering, verktygsanrop, webbsökning och utförande av flerstegsuppgifter — med data som aldrig lämnar enheten och utan extra kostnad per inferens . Den har inbyggt verktygsanrop och är tränad för att fungera tillförlitligt i verkliga agentramverk som Hermes Agent, OpenClaw och Pi .

Träningsdetaljer

• Förträning: Cirka 34 biljoner tokens .
• Ordförråd: 128K tokens (dubblerat jämfört med tidigare modeller för att bättre stödja icke-latinska skrifter och varierade agentinmatningar som verktygsscheman och filvägar) .
• Kontextfönster: 128K tokens (131 072), utökat via en dedikerad kontextutvidgningsfas under träningen .
• Fyrstegs efterträningspipeline :

Minnesfotavtryck och avkodningshastigheter

LFM2.5-2.6B körs i under 2,5 GB minne . Nedanstående avkodningshastigheter är leverantörsrapporterade siffror från Liquid AI:

Stödda inferensramverk

Modellen stöder llama.cpp (GGUF), MLX (Apple Silicon), vLLM, SGLang, ONNX och standard Transformers .

Tillgänglighet

Nedladdning med öppen vikt på Hugging Face under LiquidAI/LFM2.5-2.6B, med separata arkiv för GGUF-, MLX- och ONNX-kvantiserade format . Licensierad under LFM1.0-licensen för öppen vikt .

Företagsbakgrund: Avknoppning från MIT

Liquid AI grundades 2023 som en avknoppning från MIT CSAIL av Ramin Hasani (VD), Mathias Lechner (CTO), Alexander Amini (CSO) och Daniela Rus (MIT-professor och CSAIL-chef) . Företagets teknologi har vuxit fram ur forskning om flytande neurala nätverk vid MIT .

Begränsningar

LFM2.5-2.6B rekommenderas inte för agentisk kodning eller kunskapstunga uppgifter. På kodningsriktmärken har större modeller (t.ex. Qwen3.5-9B) ett övertag, och det officiella Hugging Face-kortet avråder från att använda den för sådana arbetsbelastningar . För komplex agentisk kodning eller djup kunskapsinhämtning är större modeller fortfarande att föredra .

1. Övervakad finjustering (SFT): Två omgångar — bred täckning följt av riktad formning på agentiska uppgifter, verktygsanvändning, resonemang och programvaruteknik.
2. Lärarspecialisering: En expert per domän (instruktionsföljning, matematik, kunskap/hallucinationskontroll, kod, verktygsanvändning, lång kontext) tränad via SFT + RLVR.
3. Flervetenskaplig on-policy-destillation (MOPD): Specialiserade lärare övervakar studentmodellen med återkoppling på token-nivå under studentens egna utrullningar.
4. Agentisk förstärkningsinlärning (Agentic RL): Flervarvs-RL inom verkliga agentramverk med GRPO, med utfallsbaserade belöningar som kombinerar en LLM-domare, programmatiska kontroller och en säkerhetsgrind.

1. Övervakad finjustering (SFT): Två omgångar — bred täckning följt av riktad formning på agentiska uppgifter, verktygsanvändning, resonemang och programvaruteknik.
2. Lärarspecialisering: En expert per domän (instruktionsföljning, matematik, kunskap/hallucinationskontroll, kod, verktygsanvändning, lång kontext) tränad via SFT + RLVR.
3. Flervetenskaplig on-policy-destillation (MOPD): Specialiserade lärare övervakar studentmodellen med återkoppling på token-nivå under studentens egna utrullningar.
4. Agentisk förstärkningsinlärning (Agentic RL): Flervarvs-RL inom verkliga agentramverk med GRPO, med utfallsbaserade belöningar som kombinerar en LLM-domare, programmatiska kontroller och en säkerhetsgrind.